Notice bibliographique
Résumé
Abstract It is now more than two years since COVID-19 spread around the world and the World Health Organization declared a global pandemic. The pandemic raised important questions about what work would look like after the pandemic, evidenced by the great debate on the future of remote work. Given how inaccurate predictions of the future often turn out to be, a more important question is, what should work look like if we are to achieve productive, healthy, and safe work? Fortunately, research by scholars such as Marie Jahoda, Abe Maslow, Fred Herzberg, Richard Hackman and Greg Oldham, Robert Karasek and Töres Theorell, Michael Marmot, and Peter Warr, spanning almost a century, provides answers. Fulfilling people’s needs for the seven interrelated characteristics, namely quality leadership, autonomy, belonging, fairness, growth, meaning, and safety, are the keys to productive, healthy, and safe work, and we devote a separate chapters to each of these topics. Each chapter discusses how the seven interrelated characteristics were affected by the pandemic, and how gender affects how people experience these dimensions. A central idea of the book is that small changes make a big difference in the long term, perhaps especially during the most trying times, and that small changes in the seven characteristics are enough to achieve productive, healthy, and safe work, with effective, evidence-based interventions presented to document this. Underlying each topic is the idea that we can achieve more by changing work than by trying to change people.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,008 |
| Communication savante | 0,012 | 0,011 |
| Science ouverte | 0,001 | 0,010 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,081 | 0,024 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».